模型提供智能
Harness 提供秩序

Harness 指智能體的運行與治理框架,原意為馬具:不產生動力,但決定動力能否轉化為可控的運力。LoLR Agent OS 是面向企業的 Harness,將角色、知識、Skills、工具、權限、人工審核與評測組織為閉環,使智能體在企業環境中可構建、可治理、可迭代。

  • 角色與邊界定義數字專家的角色、目標、任務邊界與確定性工作流。
  • 知識與 Skills掛接私域知識庫,裝載專家標註的專業 Skills 與場景 Skills(可複用的專業能力單元)。
  • 工具與權限以標準化工具接口接入既有系統,按授權範圍發佈與調用。
  • 評測與人審以真實任務集迴歸評測,關鍵節點設置人工確認,全程留痕。
瞭解羅拉操作系統 LoLR.AI OS→
LoLR AGENT OS 企業專屬 Harness 權限 · 留痕 · 人審 · 評測集 構建 注入 測試 發佈 運行 迭代
六個環節首尾相接,實戰反饋迴流至 Skills 與評測集Harness 閉環 · 示意
01構建

基於 Skills 庫與模板組裝智能體,配置角色、邊界與資源。

02注入

掛接私域知識庫與技能庫,接入既有系統與數據。

03測試

以真實任務集驗證與迴歸,問題可定位至具體版本。

04發佈

按授權發佈至指定設備、空間或崗位,能力隨許可生效。

05運行

在私域環境運行,保留權限控制、人工審核節點與運行記錄。

06迭代

實戰反饋迴流至 Skills 與評測集,形成持續優化閉環。

建立在三張網絡之上的 Harness

企業級 Harness 建立在三張分佈式網絡之上:分佈式算力網絡提供可調度的算力,分佈式知識網絡提供留在各節點的知識,分佈式人機協同網絡提供專家與數字專家的協作與反饋。Harness 面向特定場景,從三張網絡中聚合能力,形成可交付的數字專家,並依據評測與反饋持續迭代優化;RSI 企業大腦作為 Harness 的中樞,沉澱語料、指標、Skills 與評測集。

特定場景 面向場景的能力交付 稅務風控 合同審閱 財務合規 供應鏈管理 LoLR Agent OS 企業級 Harness 面向特定場景聚合能力 · 持續迭代優化 RSI 企業大腦:語料 · 指標 · Skills · 評測集 治理閉環:構建 · 注入 · 測試 · 發佈 · 運行 · 迭代 交付數字專家 · 成果 場景反饋 · 複核結果 分佈式算力網絡 端 · 邊 · 雲節點 · 統一調度 安全鏈路 · 數據不出端 分佈式知識網絡 個人 · 部門 · 機構 · 授權雲端 知識留在產生它的節點 分佈式人機協同網絡 行業專家 · 業務人員 · 數字專家 標註 · 複核 · 規則 · 反饋 提供算力 提供知識 協同與反饋 三張網絡提供算力、知識與協同;Harness 面向場景聚合能力,反饋迴流形成持續迭代
下為三張分佈式網絡,中為企業級 Harness,上為特定場景三網之上的 Harness · 示意
分佈式算力網絡

端、邊、雲節點由統一調度組織為一個算力網,節點間以安全鏈路連接(詳見可信基座);為 Harness 提供可調度、可審計的算力。

分佈式知識網絡

知識存放於產生它的節點(個人、部門、機構內網、授權雲端),在權限範圍內互聯;Harness 按需檢索彙總,不集中搬運。

分佈式人機協同網絡

行業專家、業務人員與數字專家分佈於各節點協作:專家負責標註、複核與規則設定,數字專家負責執行與初稿,反饋經 Harness 迴流。

企業級 Harness=Agent 操作系統+治理閉環+評測體系建立在分佈式算力網絡、分佈式知識網絡與分佈式人機協同網絡之上,面向特定場景聚合能力並持續迭代優化;安全、專業、私域、便捷、性價比決定智能體能否進入企業並長期穩定運行。

從一次性交付
到持續成長的企業 AI 系統

企業級 AI 的難點在上線之後的持續運行與改進。羅格採用 FDE(Forward Deployed Engineer,前置部署工程師)實施模式:工程師進入業務現場,與企業專家共建人機協同的企業專屬 Harness;實戰反饋持續迴流至 Skills、評測集與模型,使企業 AI 的 RSI(Recursive Self-Improvement,遞歸自我改進)成熟度逐步提升。

傳統項目制交付

  • 起點以需求文檔與功能清單界定範圍。
  • 流程需求、開發、驗收、結束,交付即終點。
  • 上線之後業務與模型持續變化,系統停留在驗收時的狀態。
  • 知識歸屬方法與調優經驗留在實施方,企業獲得一次性結果。

AI 原生實施 · FDE + Harness

  • 起點駐場診斷業務流程、數據邊界與專業判斷點,從首批可驗收任務開始。
  • 流程診斷、共建 Harness、上線運行、持續迭代,各環節反饋迴流。
  • 上線之後實戰反饋迴流至 Skills、評測集與模型,系統能力持續提升。
  • 知識歸屬角色、Skills、評測集與運行記錄沉澱為企業資產,由企業團隊接管。
階段 1駐場診斷

FDE 進入業務現場,梳理流程、數據邊界與專業判斷點,確定首批任務與驗收標準。

產出:任務清單 · 數據邊界 · 驗收標準
階段 2共建 Harness

與企業專家共同定義角色、萃取 Skills、建立評測集,設置權限與人工審核節點。

產出:數字專家 · 評測集 · 治理規則
階段 3陪跑迭代

按既定節奏迴流實戰反饋,更新 Skills、評測集與模型;能力與方法逐步移交企業團隊。

產出:迭代節奏 · 能力交接 · RSI 成熟度提升

RSI 成熟度:企業 AI 自我改進的三個階段

各階段的人機分工明確:人負責什麼,AI 負責什麼,由誰複核。

RSI · RECURSIVE SELF-IMPROVEMENT · 遞歸自我改進
階段 1基礎可用AI 輔助,人主導

建立基線:語料、Skills 與評測集就位,數字專家在人的指引下完成明確任務。

對應:知識信任 · 數字專家
階段 2任務可託付AI 代理,人複核

從業務問答轉向任務代理,數字助理理解需求並調動資源,成果由人複核。

對應:能力信任 · 數字助理
階段 3持續自改進AI 自評測,人定規則

反饋自動迴流,Skills 與模型持續優化;人負責規則與邊界,數字合夥人負責全天候執行。

對應:認知信任 · 數字合夥人
AI 原生實施=FDE 駐場共建+企業專屬 Harness+RSI 持續改進上線是企業 AI 成熟度提升的起點。